10分时时彩教程_以预测股票涨跌案例入门基于SVM的机器学习

  • 时间:
  • 浏览:1
  • 来源:奶瓶博客 - 专注共享老李博客资源

    SVM是Support Vector Machine的缩写,中文叫支持向量机,通过它可不还能能 够对样本数据进行分类。以股票为例,SVM能根据若干特性样本数据,把待预测的目标结果划分成“涨”和”跌”某种 ,从而实现预测股票涨跌的效果。

1 通过简单案例了解SVM的分类作用

    在Sklearn库里,封装了SVM分类的相关最好的妙招 ,也却句子,让一帮人让一帮人不必了解其中繁杂的算法,即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例,让一帮人让一帮人来看下通过SVM库实现分类的做法,以及相关最好的妙招 的调用最好的妙招 。    

1    #!/usr/bin/env python
2    #coding=utf-8
3    import numpy as np
4    import matplotlib.pyplot as plt
5    from sklearn import svm
6    #给出平面上的若干点
7    points = np.r_[[[-1,1],[1.5,1.5],[1.8,0.2],[0.8,0.7],[2.2,2.8],[2.5,3.5],[4,2]]]
8    #按0和1标记成两类
9    typeName = [0,0,0,0,1,1,1]

    在第5行里,让一帮人让一帮人引入了基于SVM的库。在第7行,让一帮人让一帮人定义了若干个点,并在第9行把什么点分成了两类,比如[-1,1]点是第一类,而[4,2]是第二类。

    这里请注意,在第7行定义点的完后 ,是通过np.r_最好的妙招 ,把数据转加带“列矩阵”,完后 做的目的是让数据特性满足fit最好的妙招 的要求。     

10	#建立模型
11	svmTool = svm.SVC(kernel='linear')
12	svmTool.fit(points,typeName)  #传入参数
13	#确立分类的直线
14	sample = svmTool.coef_[0] #系数
15	slope = -sample[0]/sample[1]  #斜率
16	lineX = np.arange(-2,5,1)#获取-2到5,间距是1的若干数据
17	lineY = slope*lineX-(svmTool.intercept_[0])/sample[1]

  在第11行里,让一帮人让一帮人创建了基于SVM的对象,并指定该SVM模型采用比较常用的“线性核”来实现分类操作。

      在第14行,通过fit训练样本。这里fit最好的妙招 和完后 基于线性回归案例中的fit最好的妙招 是一样的,只不过这里是基于线性核的相关算法,而完后 是基于线性回归的相关算法(比如最小二乘法)。训练完成后,通过第14行和第15行的代码,让一帮人让一帮人得到了能分隔两类样本的直线,包括直线的斜率和截距,并通过第16行和第17行的代码设置了分隔线的若干个点。    

18	#画出划分直线
19	plt.plot(lineX,lineY,color='blue',label='Classified Line')
20	plt.legend(loc='best') #绘制图例
21	plt.scatter(points[:,0],points[:,1],c='R')
22	plt.show()

  计算完成后,让一帮人让一帮人通过第19行的plot最好的妙招 绘制了分隔线,并在第21行通过scatter最好的妙招 绘制所有的样本点。将会points是“列矩阵”的数据特性,统统是用points[:,0]来获取绘制点的 x坐标,用points[:,1]来获取y坐标,最后是通过第22行的show最好的妙招 绘制图形。运行上述代码,让一帮人让一帮人能看一遍如下图13.8的效果,从中让一帮人让一帮人能看一遍,深紫色 的边界线能有效地分隔两类样本。

    

    从这一 例子中让一帮人让一帮人能看一遍,SVM的作用是,根据样本,训练出能划分不同种类数据的边界线,由此实现“分类”的效果。然后 ,在根据训练样本取舍 好边界线的参数后,还能根据其它越来越 明确种类样本,计算出它的种类,以此实现“预测”效果。 

2 数据标准化处里

    标准化(normalization)处里是将特性样本按一定算法进行缩放,让它们落在某个范围比较小的区间,共同加带单位限制,让样本数据转加带无量纲的纯数值。

    在用机器学习最好的妙招 进行训练时,一般时要进行标准化处里,意味着着是Sklearn等库封装的统统机器学习算法对样本有一定的要求,将会统统特性值的数量级偏离 大多数特性值的数量级,将会有特性值偏离 正态分布,越来越 预测结果会不准确。

    时要说明的是,着我我觉得训练前对样本进行了标准化处里,改变了样本值,但将会在标准化的过程中是用同完后 算法对完全样本进行转换,属于“数据优化”,不必对后继的训练起到不好的作用。

    这里让一帮人让一帮人是通过sklearn库提供的preprocessing.scale最好的妙招 实现标准化,该最好的妙招 是让特性值减去平均值然后 除以标准差。通过如下ScaleDemo.py案例,让一帮人让一帮人实际用下preprocessing.scale最好的妙招 。     

1	#!/usr/bin/env python
2	#coding=utf-8
3	from sklearn import preprocessing
4	import numpy as np
5	
6	origVal = np.array([[10,5,3],
7	                   [8,6,12],
8	                   [14,7,15]])
9	#计算均值
10	avgOrig = origVal.mean(axis=0)
11	#计算标准差
12	stdOrig=origVal.std(axis=0)
13	#减去均值,除以标准差
14	print((origVal-avgOrig)/stdOrig)
15	scaledVal=preprocessing.scale(origVal)
16	#直接输出preprocessing.scale后的结果
17	print(scaledVal)

  在第6行里,让一帮人让一帮人初始化了完后 长宽各为3的矩阵,在第10行,通过mean最好的妙招 计算了该矩阵的均值,在第12行则通过std最好的妙招 计算标准差。

      第14行是用原始值减去均值,再除以标准差,在第17行,是直接输出preprocessing.scale的结果。第14行和第17行的输出结果相同,均是下值,从中让一帮人让一帮人验证了标准化的具体做法。    

1	[[-0.26726124 -1.22474487 -1.37281295]
2	 [-1.06904497  0.          0.39223227]
3	 [ 1.336100621  1.22474487  0.9100510068]]

3 预测股票涨跌

    在完后 的案例中,让一帮人让一帮人用基于SVM的最好的妙招 ,通过一维直线来分类二维的点。据此可不还能能 够进一步推论:通过基于SVM的最好的妙招 ,让一帮人让一帮人还可不还能能 够分类具有多个特性值的样本。

    比怎么才能 不还能能 够通过开盘价、收盘价、最高价、最低价和成交量等特性值,用SVM的算法训练出什么特性值和股票“涨“和“跌“的关系,即通过特性值划分指定股票“涨”和“跌”的边界,完后 句子,一旦输入其它的股票特性数据,即可预测出对应的涨跌清况 。在如下的PredictStockBySVM.py案例中,让一帮人让一帮人给出了基于SVM预测股票涨跌的功能。     

1	#!/usr/bin/env python
2	#coding=utf-8
3	import pandas as pd 
4	from sklearn import svm,preprocessing
5	import matplotlib.pyplot as plt
6	origDf=pd.read_csv('D:/stockData/ch13/100310052018-09-012019-05-31.csv',encoding='gbk')
7	df=origDf[['Close', 'Low','Open' ,'Vol','Date']]
8	#diff列表示本日和上日收盘价的差
9	df['diff'] = df["Close"]-df["Close"].shift(1)
10	df['diff'].fillna(0, inplace = True)
11	#up列表示本日与否上涨,1表示涨,0表示跌
12	df['up'] = df['diff']   
13	df['up'][df['diff']>0] = 1
14	df['up'][df['diff']<=0] = 0
15	#预测值并不初始化为0
16	df['predictForUp'] = 0

  第6行里,让一帮人让一帮人从指定文件读取了所含股票信息的csv文件,该csv格式的文件我我觉得是从网络数据接口获取得到的,具体做法可不还能能 够参考前面博文。

    从第9行里,让一帮人让一帮人设置了df的diff列为本日收盘价和前日收盘价的差值,通过第12行到第14行的代码,让一帮人让一帮人设置了up列的值,具体是,将会当日股票上涨,即本日收盘价大于前日收盘价,则up值是1,反之将会当日股票下跌,up值则为0。

    在第16行里,让一帮人让一帮人在df对象里新建了表示预测结果的predictForUp列,该列的值并不都设置为0,在后继的代码里,将根据预测结果填充这列的值。    

17	#目标值是真实的涨跌清况

18	target = df['up']
19	length=len(df)
20	trainNum=int(length*0.8)
21	predictNum=length-trainNum
22	#取舍

指定列作为特性列
23	feature=df[['Close', 'High', 'Low','Open' ,'Volume']]
24	#标准化处里特性值
25	feature=preprocessing.scale(feature)

  在第18行里,让一帮人让一帮人设置训练目标值是表示涨跌清况 的up列,在第20行,设置了训练集的数量是总量的100%,在第23行则设置了训练的特性值,请注意这里加带了日期这一 不相关的列,然后 ,在第25行,对特性值进行了标准化处里。    

26	#训练集的特性值和目标值
27	featureTrain=feature[1:trainNum-1]
28	targetTrain=target[1:trainNum-1]
29	svmTool = svm.SVC(kernel='liner')
100	svmTool.fit(featureTrain,targetTrain)

  在第27行和第28行里,让一帮人让一帮人通过截取指定行的最好的妙招 ,得到了特性值和目标值的训练集,在第26行里,以线性核的最好的妙招 创建了SVM分类器对象svmTool。

     在第100行里,通过fit最好的妙招 ,用特性值和目标值的训练集训练svmTool分类对象。从上文里让一帮人让一帮人将会看一遍,训练所用的特性值是开盘收盘价、最高最低价和成交量,训练所用的目标值是描述涨跌清况 的up列。在训练完成后,svmTool对象中就所含了能划分股票涨跌的相关参数。

31	predictedIndex=trainNum
32	#逐行预测测试集
33	while predictedIndex<length:
34	    testFeature=feature[predictedIndex:predictedIndex+1]            
35	    predictForUp=svmTool.predict(testFeature)    
36	    df.ix[predictedIndex,'predictForUp']=predictForUp    
37	    predictedIndex = predictedIndex+1

    在第33行的while循环里,让一帮人让一帮人通过predictedIndex索引值,依次遍历测试集。

    在遍历过程中,通过第35行的predict最好的妙招 ,用训练好的svmTool分类器,逐行预测测试集中的股票涨跌清况 ,并在第36行里,把预测结果设置到df对象的predictForUp列中。      

38	#该对象只所含预测数据,即只所含测试集
39	dfWithPredicted = df[trainNum:length]
40	#刚现在开始绘图,创建完后

子图
41	figure = plt.figure()
42	#创建子图     
43	(axClose, axUpOrDown) = figure.subplots(2, sharex=True)
44	dfWithPredicted['Close'].plot(ax=axClose)
45	dfWithPredicted['predictForUp'].plot(ax=axUpOrDown,color="red", label='Predicted Data')
46	dfWithPredicted['up'].plot(ax=axUpOrDown,color="blue",label='Real Data')
47	plt.legend(loc='best') #绘制图例
48	#设置x轴坐标标签和旋转宽度
49	major_index=dfWithPredicted.index[dfWithPredicted.index%2==0]
100	major_xtics=dfWithPredicted['Date'][dfWithPredicted.index%2==0]
51	plt.xticks(major_index,major_xtics)
52	plt.setp(plt.gca().get_xticklabels(), rotation=100) 
53	plt.title("通过SVM预测10031005的涨跌清况

")
54	plt.rcParams['font.sans-serif']=['SimHei']
55	plt.show()

  将会在完后 的代码里,让一帮人让一帮人只设置测试集的predictForUp列,并越来越 设置训练集的该列数据,统统在第39行里,用切片的手段,把测试集数据放置到dfWithPredicted对象中,请注意这里切片的起始和刚现在开始值是测试集的起始和刚现在开始索引值。至此完成了数据准备工作,在完后 的代码里,让一帮人让一帮人将用matplotlib库刚现在开始绘图。

    在第43行里,让一帮人让一帮人通过subplots最好的妙招 设置了完后 子图,并通过sharex=True让这完后 子图的x轴具有相同的刻度和标签。在第44行代码里,在axClose子图中,让一帮人让一帮人用plot最好的妙招 绘制了收盘价的走势。在第45行代码里,在axUpOrDown子图中,让一帮人让一帮人绘制了预测到的涨跌清况 ,而在第46行里,还是在axUpOrDown子图里,绘制了什么天的股票真实的涨跌清况 。

    在第49行到第52行的代码里,让一帮人让一帮人设置了x标签的文字以及旋转宽度,完后 做的目的是让标签文字看上去不至于太密集。在第53行里,让一帮人让一帮人设置了中文标题,将会要显示中文,统统时要第54行的代码,最后在55行通过show最好的妙招 展示了图片。运行上述代码,能看一遍如下图所示的效果。

    

    其中上图展示了收盘价,下图的深紫色 线条表示真实的涨跌清况 ,0表示跌,1表示上涨,而红色则表示预测后的结果。

4 结论

     对比一下,虽有偏差,但大体相符。综上所述,本案例是数学宽度,演示了通过SVM分类的做法,包括将会划分特性值和目标值,怎么才能 才能 对样本数据进行标准化处里,怎么才能 才能 用训练数据训练SVM,还有怎么才能 才能 用训练后的结果预测分类结果。 

5 总结和版权说明

    本文是给进程运行员加财商系列,完后 还有两篇博文

    本文的内容即将出书,在出版的书里,是用股票案例和让一帮人让一帮人讲述Python入门时的知识点,敬请期待

    

    有不少明星微博 视频视频转载和不必转载我的博文,当时人感到十分荣幸,这也是当时人不断写博文的动力。关于本文的版权有如下统一的说明,抱歉就不逐一回复了。

    1 本文可转载,不必告知,转载时请用链接的最好的妙招 ,给出原文出处,别简单地通过文本最好的妙招 给出,共同写明原作者是hsm_computer。

    2 在转载时,请原文转载 ,谢绝洗稿。然后 当时人保留追究法律责任的权利。